keras中的backend.clip用法

如下所示:

keras.backend.clip(x, min_value, max_value)

逐元素clip(将超出指定范围的数强制变为边界值)

参数

x: 张量或变量。
min_value: Python 浮点或整数。
max_value: Python 浮点或整数。

返回

一个张量。

import tensorflow as tf
from keras import backend
a = tf.constant(2.1) #定义tensor常量
b = backend.clip(a, 0, 1)
with tf.Session() as sess:
  print (sess.run(b))
 
>>>1.0

Keras中可以利用backend中的一些函数来自定义模型的评估标准。

补充知识:keras中merge用法

首先keras的文档中是这样给出的,把若干个层合并成一个层

keras.engine.topology.Merge(layers=None, mode='sum', concat_axis=-1, dot_axes=-1, output_shape=None, node_indices=None, tensor_indices=None, name=None)

layers:该参数为Keras张量的列表,或Keras层对象的列表。该列表的元素数目必须大于1。

mode:合并模式,如果为字符串,则为下列值之一{“sum”,“mul”,“concat”,“ave”,“cos”,“dot”}

其中sum和mul是对待合并层输出做一个简单的求和、乘积运算,因此要求待合并层输出shape要一致。concat是将待合并层输出沿着最后一个维度进行拼接,因此要求待合并层输出只有最后一个维度不同。

下面我要说的主要针对训练时,Merge是一个层对象,在多个sequential组成的网络模型中,如果

x:输入数据。如果模型只有一个输入,那么x的类型是numpy array,如果模型有多个输入,那么x的类型应当为list,list的元素是对应于各个输入的numpy array

y:标签,numpy array

否则运行时很可能会提示意思就是你输入的维度与实际不符,好了,说什么都不如写一个代码来的实际:

model_left= Sequential() 
model_left.add(Dense(50, input_shape=(784,))) 
model_left.add(Activation('relu')) 
  
model_right = Sequential() 
model_right.add(Dense(50, input_shape=(784,))) 
model_rightadd(Activation('relu')) 
  
model = Sequential() 
model.add(Merge([model_left,model_right], mode='concat')) 
  
model.add(Dense(10)) 
model.add(Activation('softmax')) 
  
model.compile(loss='categorical_crossentropy', optimizer='adam',
       metrics=['accuracy']) 
model.fit([X_train, X_train], Y_train, batch_size=64, nb_epoch=30, validation_data=([X_test, X_test], Y_test))

以上这篇keras中的backend.clip用法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。

你可能感兴趣的